陳 康，向 勇，喻 超

（1.中國電信股份有限公司廣東研究院 廣州 510630；2.廣州優(yōu)億信息科技有限公司 廣州 510630）

1 引言

機器學習是人工智能的一個核心研究領(lǐng)域。1997年Mitchell T M在“Machine Learning”一書中給出了機器學習的經(jīng)典定義“計算機利用經(jīng)驗改善系統(tǒng)自身性能的行為”[1]。人類具有學習能力，其學習行為背后具有非常復雜的處理機制，這種處理機制就是機器學習理論。機器學習主要研究如何使用計算機模擬和實現(xiàn)人類獲取知識（學習）過程，創(chuàng)新、重構(gòu)已有的知識，從而提升自身處理問題的能力。機器學習的最終目的是從數(shù)據(jù)中獲取知識。

近年來，大數(shù)據(jù)吸引了越來越多的關(guān)注。從各種各樣的數(shù)據(jù)（包括結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)）中快速獲得有價值信息的能力，就是大數(shù)據(jù)技術(shù)。傳統(tǒng)數(shù)據(jù)分析技術(shù)著重于用預先設(shè)定的適當統(tǒng)計方法對數(shù)據(jù)進行分析，以求發(fā)現(xiàn)數(shù)據(jù)的功能和價值；與傳統(tǒng)數(shù)據(jù)分析相比，大數(shù)據(jù)技術(shù)的其中一個核心目標是要從體量巨大、結(jié)構(gòu)繁多的數(shù)據(jù)中挖掘出隱藏在背后的規(guī)律，從而使數(shù)據(jù)發(fā)揮最大化的價值。從大量結(jié)構(gòu)繁多的數(shù)據(jù)中挖掘隱藏規(guī)律，對人工操作而言，幾乎無能為力，必須與機器學習相結(jié)合，由計算機代替人去挖掘信息，獲取知識。大數(shù)據(jù)技術(shù)的目標實現(xiàn)與機器學習的發(fā)展必然密不可分。

業(yè)界對大數(shù)據(jù)的特征也進行了歸納，主要包括以下4點（“4個 V”）：數(shù)據(jù)體量巨大 （volume）、數(shù)據(jù)類型繁多（variety）、數(shù)據(jù)價值密度低（value）、有很多實時數(shù)據(jù)要求快速處理（velocity）。由于這幾大特征，大數(shù)據(jù)的發(fā)展從研究方向、評測指標以及關(guān)鍵技術(shù)等方面對機器學習都提出了新的需求和挑戰(zhàn)。

2 研究方向

在整個機器學習的發(fā)展歷程中，一直有兩大研究方向。一是研究學習機制，注重探索、模擬人的學習機制；二是研究如何有效利用信息，注重從巨量數(shù)據(jù)中獲取隱藏的、有效的、可理解的知識。學習機制的研究是機器學習產(chǎn)生的源泉，但隨著大數(shù)據(jù)時代各行業(yè)對數(shù)據(jù)分析需求的持續(xù)增加，通過機器學習高效地獲取知識，已逐漸成為當今機器學習技術(shù)發(fā)展的主要推動力。

大數(shù)據(jù)時代的機器學習更強調(diào)“學習本身是手段”，機器學習成為一種支持技術(shù)和服務(wù)技術(shù)，如何基于機器學習對復雜多樣的數(shù)據(jù)進行深層次的分析，更高效地利用信息成為當前機器學習研究的主要方向。機器學習越來越朝著智能數(shù)據(jù)分析的方向發(fā)展，并已成為智能數(shù)據(jù)分析技術(shù)的一個重要源泉。另外，在大數(shù)據(jù)時代，隨著數(shù)據(jù)產(chǎn)生速度的持續(xù)加快，數(shù)據(jù)的體量有了前所未有的增長，而需要分析的新的數(shù)據(jù)種類也在不斷涌現(xiàn)，如文本的理解、文本情感的分析、圖像的檢索和理解、圖形和網(wǎng)絡(luò)數(shù)據(jù)的分析等，機器學習研究領(lǐng)域涌現(xiàn)了很多新的研究方向，很多新的機器學習方法被提出并得到了廣泛應(yīng)用。比如，考慮如何利用未標識數(shù)據(jù)的半監(jiān)督學習 （semi-supervised learning）[2,3]，有效解決訓練數(shù)據(jù)質(zhì)量問題；提高學習結(jié)果的泛化能力的集成學習（integrated learning）[4]；在不同的領(lǐng)域進行知識遷移的遷移學習（transfer learning）等，吸引了廣泛的研究和興趣。

機器學習要成為大數(shù)據(jù)時代的有效分析方法，還應(yīng)特別解決可擴展性問題，即如何處理大規(guī)模數(shù)據(jù)的問題，這時需要考慮采用并行化的方法。大數(shù)據(jù)時代的特點及要求如下。

（1）大量的數(shù)據(jù)實例

在很多領(lǐng)域，如互聯(lián)網(wǎng)和金融領(lǐng)域，訓練實例的數(shù)量是非常大的，每天匯合幾十億事件的數(shù)據(jù)集是很常見的。另外，越來越多的設(shè)備包括傳感器，持續(xù)記錄觀察的數(shù)據(jù)可以作為訓練數(shù)據(jù)，這樣的數(shù)據(jù)集可以輕易地達到幾百TB。有效處理大數(shù)據(jù)集的比較好的方式是組合服務(wù)器群的存儲和帶寬。最近提出的幾個計算框架如MapReduce和DryadLINQ，讓大數(shù)據(jù)集的計算變得更加容易。這些框架通過簡單的、天然可并行化的語言原語將編程框架和使用高容量存儲及執(zhí)行平臺的能力有效地組合在一起。

（2）輸入數(shù)據(jù)的高維度

機器學習的應(yīng)用包括自然語言、圖形或者視頻，這些應(yīng)用中的數(shù)據(jù)實例是由很多數(shù)量的特征來表示的，遠遠超過了目前常見的能夠輕松處理的特征量級別。在特征空間進行并行計算是可以將計算擴展得更豐富的表示方法，還可以加入一些在特征空間進行迭代運算的算法。

（3）模型和算法的復雜性

一些高準確性的學習算法，基于復雜的非線性模型或者采用昂貴的計算子程序。在這兩種情況下，將計算分配到多個處理單元是大數(shù)據(jù)學習算法的關(guān)鍵點。某些領(lǐng)域的數(shù)據(jù)在一些基本的特征上是非線性結(jié)構(gòu)，在這些應(yīng)用中采用高度非線性表示方法比采用簡單的算法在性能上要好很多。這類算法的一個共同特征是計算復雜性，單臺機器的學習過程可能會非常慢。采用并行多節(jié)點或者多核處理，可提高在大數(shù)據(jù)中使用復雜算法和模型的計算速度。

（4）計算時間的限制

很多應(yīng)用，如自動導航或智能推薦等，都需要進行實時預測。在這些情形下由于推理速度的限制，需要推理算法的并行化。決定系統(tǒng)計算時間的因素一般有兩個：一是單任務(wù)的處理時間，該情況下計算時間的縮短可以通過提高系統(tǒng)單機的處理能力和吞吐量來解決；另一個因素是時延，在絕大多數(shù)應(yīng)用場合，任務(wù)由多個相互關(guān)聯(lián)的進程組成，不同進程的處理時間長短不一，任務(wù)整體的處理實際有待于各個進程的結(jié)果，如某一進程處理時間延長會造成時延，整個任務(wù)的處理速度會隨著時延的增加快速下降。例如，自動導航需要基于多個傳感器做出路徑規(guī)劃的決策；智能推薦需要綜合用戶的特征分析、歷史記錄等。處理能力、吞吐量和時延的限制并不總是兼容，但對于兩者來說，采用高度并行化的硬件（如GPU或者FPGA等）十分有效。

（5）預測級聯(lián)

有些應(yīng)用要求順序、互相依賴的預測，這些應(yīng)用具有高度復雜的聯(lián)合輸出空間，并行化在這種情形下可以大大提高推理的速度。很多現(xiàn)實中的問題如物體追蹤、話音識別以及機器翻譯，都要求執(zhí)行一系列互相依賴的預測，形成預測級聯(lián)。如果一個級聯(lián)作為一個推理任務(wù)，就會有一個很大的聯(lián)合輸出空間，因為計算復雜性的增加，通常會導致非常高的計算成本。在預測任務(wù)之間的互相依賴性通常是通過對單個任務(wù)進行階梯式的并行化以及自適應(yīng)的任務(wù)管理來實現(xiàn)的。

（6）模型選擇和參數(shù)掃描

調(diào)整學習算法的超參數(shù)以及統(tǒng)計重要性評估要求多次執(zhí)行學習和推理，這些過程屬于所謂的可并行化應(yīng)用，本身就非常適合并發(fā)執(zhí)行。在參數(shù)掃描中，學習算法在配置不同的同一個數(shù)據(jù)集上運行多次，然后在一個驗證集上進行評估；在統(tǒng)計重要性測試過程中如交叉驗證或者bootstraping中，訓練和測試在不同的數(shù)據(jù)子集上重復執(zhí)行，執(zhí)行的結(jié)果匯合在一起以進行接下來的統(tǒng)計重要性測試。在這些任務(wù)中，并行平臺的用途是非常明顯的。

3 主要評測指標

大數(shù)據(jù)的價值發(fā)現(xiàn)好比大海撈針，從數(shù)據(jù)中挖掘出價值，而不是被大量數(shù)據(jù)所淹沒。這要求服務(wù)于大數(shù)據(jù)的機器學習技術(shù)在以下各個方面能有較好的適應(yīng)能力。

（1）泛化能力

通常期望經(jīng)訓練樣本訓練的機器學習算法具有較強的泛化能力，也就是能對新輸入給出合理響應(yīng)的能力，這是評估機器學習算法性能的最重要指標。機器學習最基本的目標是對訓練數(shù)據(jù)中的實例進行泛化推廣。不管有多少數(shù)據(jù)，在測試時要再次看到那些同樣的實例是非常不可能的。在訓練數(shù)據(jù)上表現(xiàn)好是很容易的，只需要記住那些實例。在機器學習中最一般的錯誤是在訓練數(shù)據(jù)上進行測試，然后錯誤地認為成功了。這樣選擇的分類器如果在新數(shù)據(jù)上進行測試，輸出的結(jié)果可能不會比隨機的猜測更好。

（2）速度

在機器學習中，和速度有關(guān)的參數(shù)有訓練速度和測試速度，這兩者是互相關(guān)聯(lián)的。有的算法能夠取得很好的訓練速度，但測試速度卻很慢；而有的算法恰恰相反。所以一個很重要的研究方向是如何協(xié)調(diào)這兩者之間的關(guān)系，開發(fā)出在訓練速度和測試速度方面表現(xiàn)都很好的機器學習算法。

（3）可理解性

很多功能強大的機器學習算法基本上都是“黑盒子”，對用戶而言，只能看到輸出結(jié)果，卻不知道為什么是這樣的結(jié)果。隨著數(shù)據(jù)量的增加、問題復雜度的提高，人們在得到結(jié)果的同時更加希望了解為什么得到這樣的結(jié)果。

（4）數(shù)據(jù)利用能力

人們收集數(shù)據(jù)的能力越來越強，收集的數(shù)據(jù)類型也越來越多，不僅包括有標識的數(shù)據(jù)，還有大量未標識的數(shù)據(jù)以及那些含有大量噪聲、不一致、不完整的臟數(shù)據(jù)、平衡數(shù)據(jù)。如果還是像以前一樣簡單地丟棄臟數(shù)據(jù)，在信息過程中只使用已標識數(shù)據(jù)，不使用未標識數(shù)據(jù)，那么就會造成數(shù)據(jù)的很大浪費，而且學習到的模型的泛化能力會面臨很大的問題。所以研究并開發(fā)能夠有效利用所有這些數(shù)據(jù)的機器學習方法具有非常重要的實際意義。

（5）代價敏感

面向算法研究的機器學習原型系統(tǒng)在向?qū)嶋H可用的機器學習系統(tǒng)轉(zhuǎn)換時，會面臨更多、更復雜的內(nèi)外部因素的影響。這其中一個重要的因素就是在現(xiàn)實世界中，不同的領(lǐng)域中不同誤判結(jié)果間代價的平衡性，有的誤判結(jié)果可能會導致很嚴重的后果，而有的則影響很小。大數(shù)據(jù)分析的精髓就在于綜合各種內(nèi)部、外部數(shù)據(jù)對一個事物進行360°的刻畫和解讀，涉及的因素更多。近年來，代價敏感的學習算法就是這方面的一個有效的解決方案。在這類算法中，通過引入代價信息來度量誤判的嚴重性，不同的代價參數(shù)代表不同的損失，最終的目標是最小化總的代價而不是總的錯誤。

（6）知識的遷移性

如何將從一個任務(wù)中學習到的知識遷移到其他任務(wù)中，以提高其他相關(guān)任務(wù)的學習性能。比如，監(jiān)督學習的公式化中包括學習函數(shù)，在很多大數(shù)據(jù)場景中，可能會需要學習一系列相關(guān)的函數(shù)，比如用戶互聯(lián)網(wǎng)社交關(guān)系判斷函數(shù)以及用戶實際生活社交關(guān)系判斷函數(shù)。雖然在這兩種情況下判斷函數(shù)會有所不同，但它們還是有很多共同點的。

（7）數(shù)據(jù)隱私性

如何在獲得數(shù)據(jù)分析成果的同時，保護數(shù)據(jù)的隱私。

4 關(guān)鍵技術(shù)

當前，機器學習研究與應(yīng)用中最常用的關(guān)鍵技術(shù)有：半監(jiān)督學習、集成學習（含Boosting、Bagging等算法）、遷移學習、貝葉斯網(wǎng)絡(luò)、決策樹、統(tǒng)計學習理論與支持向量機、隱馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)、k近鄰方法、序列分析、聚類、粗糙集理論、回歸模型等。其中在大數(shù)據(jù)分析中，半監(jiān)督學習、集成學習、遷移學習和概率圖模型（probabilistic graphical model，PGM）等技術(shù)尤為重要。

4.1 半監(jiān)督學習

按照傳統(tǒng)的機器學習理論框架，機器學習可以分為有監(jiān)督學習和無監(jiān)督學習兩類。在有監(jiān)督學習中，利用的是已標識數(shù)據(jù)，而無監(jiān)督學習中只利用未標識數(shù)據(jù)。在大數(shù)據(jù)時代，隨著數(shù)據(jù)采集技術(shù)和存儲技術(shù)的發(fā)展，獲取大量未標識數(shù)據(jù)是很容易的。但如果要獲得大量的已標識數(shù)據(jù)，因為需要領(lǐng)域人才的參與，非常耗時耗力，而且也是一個很容易出錯的過程。所以，在現(xiàn)實世界中，未標識數(shù)據(jù)的數(shù)量遠大于已標識數(shù)據(jù)的數(shù)量，如果這些未標識數(shù)據(jù)不能得到很好的利用，學到的模型的泛化能力可能會很差，還會造成數(shù)據(jù)的浪費；而如果像無監(jiān)督學習一樣只使用未標識數(shù)據(jù)，就會忽視已標識數(shù)據(jù)的價值。半監(jiān)督學習就是研究如何綜合利用少量已標識數(shù)據(jù)和大量未標識數(shù)據(jù)，獲得具有良好性能和泛化能力的學習機器。

半監(jiān)督學習利用的數(shù)據(jù)集X={x1,x2,…,xn}（n=l+u）可以分為兩部分：一部分是有標識的數(shù)據(jù)集Xl={x1,…,xl}，這部分數(shù)據(jù)集中的樣本點xi的類別標識yi已經(jīng)給出；另一部分是無標識數(shù)據(jù)集Xu={xl+1,…，xl+u}，這部分數(shù)據(jù)集中樣本點的類別標識未知。與實際情況相符，一般假設(shè)u>>l，即無標識數(shù)據(jù)遠遠多于有標識數(shù)據(jù)。半監(jiān)督學習的工作原理主要基于3個假設(shè)：半監(jiān)督光滑假設(shè)、聚類假設(shè)以及流型假設(shè)[5]。

半監(jiān)督光滑假設(shè)是指如果在高密度區(qū)的兩個點是相近的，即由一個高密度路徑相連，那么它們對應(yīng)的輸出也是相近的；如果兩個點被一個低密度區(qū)域分隔，那么對應(yīng)的輸出不一定是相近的，適用于分類和回歸學習任務(wù)。聚類假設(shè)是指屬于同一個聚類的數(shù)據(jù)實例，很有可能具有相同的分類標識。根據(jù)這個假設(shè)，可以利用未標識數(shù)據(jù)更準確地找到每個聚類的邊界。聚類假設(shè)并不是指每個分類都形成一個單一的、緊湊的聚類，只表示不太可能在同一個聚類中觀察到屬于兩個不同分類的數(shù)據(jù)。流型假設(shè)是指高維的數(shù)據(jù)大致上分布在一個低維的流型上。很多統(tǒng)計方法和機器學習算法中的一個主要問題是所謂的維數(shù)災難問題，這個問題對生成式模型的半監(jiān)督學習有很大影響，而流型假設(shè)為這個問題的解決提供了一個很好的基礎(chǔ)。如果數(shù)據(jù)正好分布在低維的流型中，那么機器學習算法就可以在這個低維的空間中進行，從而避免維數(shù)災難的問題。

半監(jiān)督學習方法包括基于生成式模型的半監(jiān)督學習、基于低密度劃分的半監(jiān)督學習、基于圖的半監(jiān)督學習以及基于不一致性的半監(jiān)督學習?；谏墒侥Ｐ偷陌氡O(jiān)督學習方法利用了聚類假設(shè)，未標識數(shù)據(jù)所屬類別的概率被看成一組缺失參數(shù)，采用最大期望算法對生成式模型的參數(shù)進行極大似然估計?；谏墒侥Ｐ偷陌氡O(jiān)督學習方法具有簡單、直觀的特點，在訓練數(shù)據(jù)特別是有標識數(shù)據(jù)很少時，可以獲得比判別式模型更好的性能。但在模型假設(shè)與數(shù)據(jù)分布不一致時，使用大量的未標識數(shù)據(jù)來估計模型參數(shù)會降低學到模型的泛化能力。所以需要尋找合適的生成式模型，這需要大量的相關(guān)領(lǐng)域的知識。基于低密度劃分的半監(jiān)督學習方法也基于聚類假設(shè)，要求決策邊界盡量通過數(shù)據(jù)較為稀疏的區(qū)域，以免把聚類中稠密的數(shù)據(jù)點分到?jīng)Q策邊界兩側(cè)?；趫D的半監(jiān)督學習方法基于流型假設(shè)，假設(shè)所有的樣本點（包括已標識與未標識）以及之間的關(guān)系可以表示為一個無向圖的形式，圖的節(jié)點為數(shù)據(jù)樣本點，而邊則體現(xiàn)了兩個樣本點之間的相似度關(guān)系?；趫D的半監(jiān)督算法的優(yōu)化目標就是要保證在已標識點上的結(jié)果盡量符合而且要滿足流型假設(shè)要求?；诓灰恢滦缘陌氡O(jiān)督學習方法利用了聚類假設(shè)和流型假設(shè)，使用兩個或多個學習機器，通過在不同視圖下的數(shù)據(jù)集進行學習的兩個分類器之間的交互來提高分類器的精度，未標識樣例被分類器逐步標識，選出確信度最高的樣例加入訓練集，不斷重復，直到未標識集全部標識為止，更新模型。

根據(jù)以上的討論，半監(jiān)督學習可以利用未標識數(shù)據(jù)來提高學習的性能。但在實際應(yīng)用中，很難測試到底哪些假設(shè)（光滑假設(shè)、聚類假設(shè)、流型假設(shè)）是成立的，如果選擇了錯誤的算法，那么學習算法的性能有可能很差。在這種情況下 ，安全的半監(jiān)督學習算法具有很大的應(yīng)用前景，在任何情況下，至少能夠獲得和監(jiān)督學習同樣的性能。通過維護多種類型學習器的一個后驗分布，貝葉斯建模提供了一個可行的方案。這種方案面臨的挑戰(zhàn)是需要在假設(shè)和學習器中定義一個智能的先驗分布，并為不同類型的半監(jiān)督學習器定義貝葉斯公式，以便可以定義一個合適的似然函數(shù)。其他的安全的半監(jiān)督學習算法還可以通過開發(fā)頑健的基于圖的方法來獲得，或者不做那么嚴格的假設(shè)，使得這些假設(shè)在更多、更復雜的數(shù)據(jù)集中都可以被滿足。

另外，以上討論的半監(jiān)督學習算法只是利用了已標識數(shù)據(jù)和未標識數(shù)據(jù)之間的關(guān)系，還有很多其他類型的關(guān)系并沒有得到很好的利用，這在大數(shù)據(jù)時代尤為突出。比如，假設(shè)希望為社交網(wǎng)絡(luò)中的人預測分類標識或者數(shù)字型數(shù)值等，那么社交網(wǎng)絡(luò)中人與人之間的朋友關(guān)系或者共同的興趣愛好、相近的地理位置、點擊了同一個廣告等關(guān)系，都可以用來提高半監(jiān)督學習的性能。將這些信息集成到半監(jiān)督學習的算法中具有非常重要的實際意義。

4.2 集成學習

在現(xiàn)實生活中，一群人經(jīng)常能比一個人做出更好的決策，特別是當群體中的每個人都有不同見解時。對于機器學習來說，這個道理同樣適用。集成學習就是這樣的機器學習方法，通過將多個不同的學習系統(tǒng)的結(jié)果進行整合，可以獲得比單個學習系統(tǒng)更好的性能。在集成學習中，即便是采用更簡單的學習系統(tǒng)，也可以獲得更好的性能。另外，集成學習的架構(gòu)本質(zhì)上就具有易于并行的特性，為在處理大數(shù)據(jù)時提高訓練和測試效率提供了很好的基礎(chǔ)。自集成學習的概念提出，集成學習在很多領(lǐng)域得到了快速的發(fā)展和廣泛的應(yīng)用。

傳統(tǒng)的機器學習的原理是搜索，通過搜索所有可能函數(shù)構(gòu)成的假設(shè)空間集合，找出一個最逼近未知函數(shù)的近似函數(shù)。一般來說，傳統(tǒng)機器學習的輸出結(jié)果都會面臨3個方面的問題：統(tǒng)計、計算和表示上的問題。在搜索一個由巨大的訓練數(shù)據(jù)集構(gòu)成的假設(shè)空間時，就會面臨統(tǒng)計上的問題。由于可用的訓練數(shù)據(jù)很多，就會存在多個具有相同準確度的不同假設(shè)，但傳統(tǒng)的機器學習算法必須在這些不同的假設(shè)中挑選一個。選擇哪一個都面臨著很大的風險，雖然這些輸出在訓練數(shù)據(jù)上的表現(xiàn)相同，但在新的數(shù)據(jù)上的表現(xiàn)可能有很大的差距。如果采用集成學習中那種簡單、平等的投票機制進行選擇，就可以降低這樣的風險。在學習算法不能保證在假設(shè)空間中找到一個最好的輸出結(jié)果時，就面臨計算上的問題，常出現(xiàn)在因為計算的復雜性而不得不采用啟發(fā)式方法時，找到的結(jié)果有可能是局部最優(yōu)的，如果利用加權(quán)方法，將各種局部最優(yōu)的結(jié)果整合起來作為輸出，可以有效降低這種局部最優(yōu)的風險。最后，當假設(shè)空間沒有包含可以逼近未知函數(shù)的假設(shè)時，就面臨表示上的問題。如果可以給每個假設(shè)賦予不同的權(quán)重，并進行簡單的投票方式，就有可能找到一個非常逼近未知函數(shù)的近似函數(shù)。

通過以上的分析，可以看到集成學習可以解決傳統(tǒng)機器學習中的很多問題。在大數(shù)據(jù)時代，由于數(shù)據(jù)體量大、數(shù)據(jù)結(jié)構(gòu)復雜、數(shù)據(jù)的質(zhì)量參差不齊，以上這些問題可能更加突出，所以集成學習必定會成為大數(shù)據(jù)分析強有力的工具。

一個集成學習算法包括多個基本學習器（經(jīng)常稱作弱學習器），基本學習器通常在訓練數(shù)據(jù)上運用傳統(tǒng)的機器學習算法（如決策樹、神經(jīng)網(wǎng)絡(luò)或其他的學習算法）而生成的。同構(gòu)集成學習采用單個基本學習算法生成相同類型的基本學習器，異構(gòu)集成學習則采用多個不同的學習算法生成不同類型的基本學習器。在異構(gòu)集成學習中，因為沒有單個相同的基本學習算法，所以有很多學者更傾向于稱這些學習器為組件學習器。集成學習的泛化能力遠遠超過了基本學習器的泛化能力，這恰恰是集成學習的優(yōu)勢，即可以提高那些僅僅比隨機猜測好一點的弱學習器的性能，將其變成可以做出準確預測的強學習器。根據(jù)基本學習器生成的方法，可以將集成學習分為兩類：一類是順序的集成學習方法，基本學習器是按次序生成的，這類算法利用基本學習器之間的相關(guān)性，整體的性能通過減小殘余錯誤的方式來提高，一個典型的例子是Boosting；另一類是并行集成學習方法，基本學習器是并行生成的，這類算法利用基本學習器之間的獨立性，通過綜合多個獨立的基本學習器，可以大大減小學習的錯誤，一個典型的例子是Bagging。

Boosting算法的核心是弱學習假設(shè)[6]，即假設(shè)基本學習器在基于給定的訓練數(shù)據(jù)上只產(chǎn)生一個比隨機猜測好一點的弱結(jié)果。Boosting算法只能通過不斷地調(diào)用基本學習算法從訓練數(shù)據(jù)中學習，如果基本學習器只是簡單地重復調(diào)用，并利用相同的訓練數(shù)據(jù)集，這種方式不可能產(chǎn)生好的結(jié)果。Boosting的基本思路是為基本學習器選擇合適的訓練數(shù)據(jù)集，使得每次調(diào)用基本學習器都可以從數(shù)據(jù)中得到一些新的信息。這可以通過選擇以前的基本學習器表現(xiàn)差的數(shù)據(jù)集，對這些數(shù)據(jù)集進行加強學習，這樣基本學習器可以輸出比之前更好的結(jié)果。

Bagging由Breiman提出[7]，其兩個主要的組件是bootstrap和aggregation。Bagging的最關(guān)鍵環(huán)節(jié)是如何獲得盡可能獨立的基本學習器。在給定一個訓練數(shù)據(jù)集時，一個可行的方案是將訓練數(shù)據(jù)分成多個不重疊的訓練數(shù)據(jù)子集，并對這些子集進行抽樣，然后在每個抽樣的數(shù)據(jù)集上訓練出一個基本學習器。最終的學習結(jié)果是對多個學習器的學習結(jié)果進行多數(shù)投票而產(chǎn)生的。Bagging采用bootstrap分布來生成不同的基本學習器。具體地，在給定一個包含m個訓練實例的訓練數(shù)據(jù)集時，抽樣生成m個訓練實例，有些原始的訓練實例可能會出現(xiàn)不止一次，而有些可能在抽樣中根本就不出現(xiàn)。重復這樣的過程T次，就可以得到T個含m個數(shù)據(jù)實例的抽樣。然后，針對每個抽樣數(shù)據(jù)集運用基本的學習算法，就可以訓練得到一個基本學習器。在基本學習器輸出結(jié)果的聚集時，Bagging采用最常用的策略（即投票）來聚集分類結(jié)果，利用求平均值來聚集回歸結(jié)果。

在生成一系列的基本學習器后，集成學習通過組合這些基本學習器的方式來獲得更強的泛化能力，而不是從中選擇一個最佳的基本學習器。所以這種組合的方法是直觀重要的，會直接影響集成學習的性能。目前提出的組合方法有很多，主要介紹平均法和投票法。

平均法對于數(shù)值型輸出結(jié)果是常用的組合方法，包括簡單平均法、加權(quán)平均法。簡單平均法又稱算術(shù)平均法[8]，因為簡單易用在現(xiàn)實應(yīng)用中得到了廣泛的使用。但其有效性是基于假設(shè)單個學習器的錯誤是不相關(guān)的，而在集成學習中因為單個學習器在相同的問題上進行訓練，所以這個假設(shè)在集成學習中常常是不成立的。加權(quán)平均法給每個基本學習器賦予不同的權(quán)重，然后進行平均，不同的權(quán)重意味著不同的重要性。簡單平均法是加權(quán)平均法的一個特例，但加權(quán)平均法的性能并不是明顯優(yōu)于簡單平均法的性能。這是因為在現(xiàn)實世界中，數(shù)據(jù)通常有很大的噪聲，所以估計的權(quán)重經(jīng)常是不可靠的。特別是在一個大的集成學習中，有很多權(quán)重系數(shù)需要估計，這很容易導致過度擬合問題；而簡單平均法不要估計任何的權(quán)重系數(shù)，所以不太可能存在這方面的問題。一般來說，對有近似性能的基本學習器使用簡單平均法是適合的；基本學習器各有優(yōu)劣勢時，采用加權(quán)平均法可以獲得更好的性能。

投票法是對于非數(shù)值型輸出結(jié)果的常用組合方法，包括多數(shù)投票法、最大投票法以及加權(quán)投票法。多數(shù)投票法是最常用的一種投票法，每個基本學習器投票選出一個分類標識，集成學習最終輸出的分類標識是超過半數(shù)投票的分類標識，如果沒有分類標識的得票數(shù)超過半數(shù)，集成學習就不會有任何的輸出結(jié)果。與多數(shù)投票法不同，最大投票法選擇獲得最多票數(shù)的分類標識作為最終的輸出結(jié)果，并不要求輸出結(jié)果必須獲得超過半數(shù)的選票，所以不可能出現(xiàn)沒有輸出結(jié)果的情況。在出現(xiàn)得票數(shù)相同的分類標識時，任意選擇一個作為輸出?？紤]到每個基本學習器具有不同的性能，加權(quán)投票法給那些性能好的基本學習器更多的投票權(quán)。

以上討論的集成學習方法的預測效果顯著優(yōu)于單個基本學習機，但它們存在一些缺點：與基本學習機相比，其預測速度明顯下降，且隨著基本學習機數(shù)目的增多，它們所需的存儲空間也急劇增多，這對于在線學習更是一個嚴重問題。那么是否可以利用少量的基本學習機就可以達到更好的性能呢？國內(nèi)的學者周志華等人提出“選擇性集成”為這個問題給出了肯定的答案。理論分析和試驗研究表明，從已有的基本學習機中將作用不大和性能不好的基本學習機剔除，只挑選一些基本學習機用于構(gòu)建集成則可以得到更好的預測效果。限于篇幅，不對選擇性集成展開討論。

4.3 概率圖模型

大數(shù)據(jù)給很多領(lǐng)域帶來了很大的挑戰(zhàn)，其中之一就是如何處理大量的不確定性數(shù)據(jù)，這些數(shù)據(jù)普遍存在于電信、互聯(lián)網(wǎng)、科學計算、經(jīng)濟、金融等領(lǐng)域中，如何從這些不確定性數(shù)據(jù)中獲取知識是大數(shù)據(jù)分析的一個重要任務(wù)。概率圖模型是概率論與圖論相結(jié)合的產(chǎn)物，是概率分布的圖形化表示，概率圖模型為捕獲隨機變量之間復雜的依賴關(guān)系、構(gòu)建大規(guī)模多變量統(tǒng)計模型提供了一個統(tǒng)一的框架[9]。概率圖模型在統(tǒng)計學、計算學以及數(shù)學等很多領(lǐng)域都是研究熱點，如生物信息學、通信理論、統(tǒng)計物理、組合優(yōu)化、信號和圖像處理、信息檢索和統(tǒng)計機器學習等。

概率圖模型一方面用圖論的語言直觀揭示問題的結(jié)構(gòu)，另一方面又按照概率論的原則對問題的結(jié)構(gòu)加以利用，降低推理的計算復雜度。概率圖模型中的一個核心概念是因子分解，根據(jù)一個底層圖的結(jié)構(gòu)，一個概率圖模型由一組概率分布所構(gòu)成。概率圖通過圖形的方式來捕獲并展現(xiàn)所有隨機變量的聯(lián)合分布，通過分解成各因子乘積的方式來實現(xiàn)，每個因子只和部分變量有關(guān)。概率圖模型主要包括貝葉斯網(wǎng)絡(luò)、馬爾可夫網(wǎng)絡(luò)和隱馬爾可夫模型。限于篇幅，以下只詳細介紹貝葉斯網(wǎng)絡(luò)的主要原理及特性。

貝葉斯網(wǎng)絡(luò)又稱為信念網(wǎng)、概率網(wǎng)或者因果網(wǎng)，用于表示變量之間的依賴關(guān)系，并為任何全聯(lián)合概率分布提供自然、有效、簡明規(guī)范的一種有向無環(huán)圖結(jié)構(gòu)[10]。通過貝葉斯網(wǎng)絡(luò)，可以采用系統(tǒng)化以及本地化的方法將某種情形的概率信息構(gòu)建成一個有機的整體。貝葉斯網(wǎng)絡(luò)還提供了一系列的算法，通過這些算法可以自動地對這些信息推導出更多隱含的意思，為在這些情形下進行決策提供基礎(chǔ)。從技術(shù)層面看，隨著隨機變量的不斷增加，通過概率論和統(tǒng)計學中傳統(tǒng)的表格及方程來表示這些變量的聯(lián)合概率分布是不可行的，貝葉斯網(wǎng)絡(luò)則為這些聯(lián)合概率分布提供了一個非常緊湊的表示方法。貝葉斯網(wǎng)絡(luò)的一個主要特征是可保證數(shù)據(jù)的一致性和完整性，這是因為對于任意的貝葉斯網(wǎng)絡(luò)，有且只有一個概率分布滿足這個貝葉斯網(wǎng)絡(luò)的各種限制條件。貝葉斯網(wǎng)絡(luò)的另一個特征是，在很多情況下要明確地生成聯(lián)合概率分布在計算上是不可行的，而在貝葉斯網(wǎng)絡(luò)中可以通過高效率的算法來計算這些概率。這些算法的效率以及準確性與貝葉斯網(wǎng)絡(luò)的拓撲以及相關(guān)的查詢是十分相關(guān)的。貝葉斯網(wǎng)絡(luò)還具有非常靈活的學習機制，可以模擬人類的學習方式和認知過程，靈活地對結(jié)構(gòu)和參數(shù)進行相應(yīng)的修正與更新。所以，貝葉斯網(wǎng)絡(luò)是目前最為常用的概率圖模型。

4.4 遷移學習

在大數(shù)據(jù)環(huán)境下，大量新的數(shù)據(jù)在大量不同的新的領(lǐng)域（如新聞、電子商務(wù)、圖片、視頻、博客、播客、微博、社交網(wǎng)絡(luò)等）呈爆炸性增長，要在這些新的領(lǐng)域應(yīng)用傳統(tǒng)的機器學習方法，就需要大量有標識的訓練數(shù)據(jù)?；谶@些有標識的訓練數(shù)據(jù)，運用統(tǒng)計學習的理論，傳統(tǒng)的機器學習通常可以獲得很好的性能。但是，如果對每個領(lǐng)域都標識大量訓練數(shù)據(jù)，會耗費大量的人力與物力。所以，如果有了大量其他領(lǐng)域的不同分布下的有標識的訓練數(shù)據(jù)，能否利用從這些訓練數(shù)據(jù)中學習到的知識幫助在新環(huán)境中的學習任務(wù)？其實人類是具有這種學習能力的，即在多個任務(wù)之間進行知識遷移的能力，在碰到新的學習任務(wù)時，人類會從以前學習的經(jīng)驗中認知并運用相關(guān)的知識。新的學習任務(wù)和以前的經(jīng)驗相關(guān)性越大，就越容易掌握新的任務(wù)。知識在不同場景之間遷移轉(zhuǎn)化的能力被稱作遷移學習[11]。這正是傳統(tǒng)機器學習所缺乏的，其根本原因在于傳統(tǒng)的機器學習一般假設(shè)訓練數(shù)據(jù)與測試數(shù)據(jù)服從相同的數(shù)據(jù)分布，即學習的知識和應(yīng)用的問題具有相同的統(tǒng)計特征。當學習和應(yīng)用的場景發(fā)生遷移后，統(tǒng)計特征往往會發(fā)生改變，這將大大影響統(tǒng)計學習的效果。提高機器學習能力的一個關(guān)鍵問題就在于，要讓機器能夠繼承和發(fā)展過去學到的知識，這其中的關(guān)鍵就是讓機器學會遷移學習。

遷移學習可以通俗地解釋為，一個會下象棋的人可以更容易地學會下圍棋；一個認識桌子的人可以更容易地認識椅子；一個會騎自行車的人更容易學會騎摩托。遷移學習一個有代表性的定義是，給定一個源領(lǐng)域和學習任務(wù)以及一個目標領(lǐng)域和學習任務(wù)，遷移學習的任務(wù)是通過利用源領(lǐng)域和學習任務(wù)的知識來提高在目標領(lǐng)域的學習性能。在這里，源領(lǐng)域和目標領(lǐng)域是不同的，或者源學習任務(wù)和目標學習任務(wù)是不同的，當兩者都一樣時，就是傳統(tǒng)意義上的機器學習問題。

遷移學習的目標是利用源任務(wù)中的知識來提高目標任務(wù)中的學習性能，這可以通過3個方面來度量。

·在目標任務(wù)中僅僅采用了遷移的知識，還沒有進行任何進一步的學習之前，與沒有采用知識遷移的算法相比所能獲得的初始性能提升。

·在利用了遷移知識之后，對目標任務(wù)進行充分學習所需要的時間。

·與沒有知識遷移的情況相比，在目標任務(wù)中能夠獲得的最終的性能到底有多少提高。

如果遷移方法降低了性能，稱為負遷移。在遷移方法研究中的一個主要挑戰(zhàn)是在適當相關(guān)的任務(wù)中生成正遷移，同時在不太相關(guān)的任務(wù)之間盡量避免負遷移。當一個代理將從一個任務(wù)中的知識運用到另一個任務(wù)中時，經(jīng)常需要將一個任務(wù)中的特征映射到其他任務(wù)的特征中，以指定任務(wù)之間的對應(yīng)關(guān)系。在遷移學習的很多工作中，通常由人來提供這種映射，但可以設(shè)計一些方法自動地執(zhí)行這些映射。

根據(jù)遷移學習的定義，遷移學習分為：歸納遷移學習、直推遷移學習以及無監(jiān)督遷移學習[11]。在歸納遷移學習中，源領(lǐng)域和目標領(lǐng)域可以是相同的或者是不同的，但是目標任務(wù)和源任務(wù)肯定是不同的。在這種情況下，需要利用目標領(lǐng)域的部分已標識數(shù)據(jù)來歸納用于目標領(lǐng)域中的目標預測模型。另外，根據(jù)在源領(lǐng)域中已標識數(shù)據(jù)和未標識數(shù)據(jù)的不同情況，歸納學習可以進一步分成兩種：第一種是在源領(lǐng)域中有很多可用的已標識數(shù)據(jù)；第二種情況是在源領(lǐng)域中沒有可用的已標識數(shù)據(jù)。這和自學習的情況有些類似。歸納遷移學習的一個例子是Tradaboost算法，其基本思路是將源領(lǐng)域數(shù)據(jù)和目標領(lǐng)域數(shù)據(jù)混合在一起訓練，然后通過類似AdaBoost的結(jié)構(gòu)來調(diào)整權(quán)重和計算錯誤率實現(xiàn)遷移學習。已經(jīng)有很多研究對歸納遷移學習進行了探討，這些研究工作可以分為基于實例、基于特征、基于參數(shù)以及基于關(guān)系的知識遷移。

直推遷移學習研究的是不同領(lǐng)域中相同的學習任務(wù)之間的知識遷移[12]，一般情況是原始領(lǐng)域中有大量標識數(shù)據(jù)可供利用，而目標領(lǐng)域只有無標識數(shù)據(jù)可供利用。在這里，源領(lǐng)域和目標領(lǐng)域的不同又包括兩種情況：一種是源領(lǐng)域的特征空間和目標領(lǐng)域是不同的；另一種是兩個領(lǐng)域的特征空間相同，但輸入數(shù)據(jù)的邊緣分布概率不同?！爸蓖啤钡囊馑己蛡鹘y(tǒng)機器學習中是有區(qū)別的。在傳統(tǒng)的機器學習中，直推學習是指在訓練階段，所有的測試數(shù)據(jù)都是可用的，學習到的模型無法重用到新的數(shù)據(jù)中；而在這里是強調(diào)學習任務(wù)必須相同，目標領(lǐng)域中只需要有部分可用的為標識數(shù)據(jù)。在直推遷移學習中，只有基于實例的知識遷移以及基于特征的知識遷移兩種實現(xiàn)方案。在無監(jiān)督遷移學習中，源領(lǐng)域和目標領(lǐng)域可以是相同的或者是不同的，目標任務(wù)和源任務(wù)是不同的，只是相關(guān)的。在這種遷移方法中，源領(lǐng)域和目標領(lǐng)域都沒有可用的已標識數(shù)據(jù)，所以遷移難度最大。目前這方面的研究也很少，只有基于特征的遷移實現(xiàn)方案。

給定一個目標任務(wù)，任何遷移方法的有效性依賴于源任務(wù)以及源任務(wù)是如何與目標任務(wù)相關(guān)的。如果它們之間有很強的關(guān)系并且能夠被遷移方法很好地利用，目標任務(wù)的性能可以通過遷移大大提高。但是，如果源任務(wù)和目標任務(wù)沒有足夠的相關(guān)性，或者遷移方法并沒有很好地利用這種關(guān)系，目標任務(wù)的性能不僅得不到提高，還有可能降低，即產(chǎn)生負遷移。從理論上來說，一個遷移方法在適當相關(guān)的任務(wù)之間應(yīng)該生成正遷移，而在任務(wù)不是很相關(guān)時則應(yīng)避免負遷移，但在實際中是很難同時達到這些目標。具有防護措施避免負遷移的遷移方案，通常會因為這種措施對正遷移產(chǎn)生一些小的影響。相反，那些激進的遷移方案在產(chǎn)生很大的正遷移效應(yīng)時，通常對負遷移沒有任何防護。

避免負遷移的一個方案是在學習目標任務(wù)時，盡量識別并拒絕源任務(wù)中的有害知識。這種方案的目標是讓有害信息的影響最小化，這樣遷移的性能至少可以不差于沒有遷移的情況。在極端的情況下，學習代理可以完全丟棄遷移的知識，另外一些方法則可以有選擇地拒絕部分知識并選擇部分知識。如果有不止一個源任務(wù)，而是一套可選的源任務(wù)，那么就有更大的可能性避免負遷移。在這種情況下，避免負遷移的問題就成為如何選擇最好的源任務(wù)。沒有對負遷移進行較多防護的遷移方法在這種情形下可以很有效，只要選擇的最佳源任務(wù)是一個很好的選擇。

人類具有天生的方法在多個任務(wù)之間進行知識遷移，即在碰到新的學習任務(wù)時，會從以前學習的經(jīng)驗中認知并運用相關(guān)的知識。新的學習任務(wù)和以前的經(jīng)驗相關(guān)性越大，就越容易掌握新的任務(wù)。傳統(tǒng)的機器學習算法，通常只是解決一些孤立的任務(wù)。遷移學習試圖通過將在一個或多個源任務(wù)中學習到的知識進行遷移，將它們用在相關(guān)的目標任務(wù)中以提高其學習性能。這些能夠進行知識遷移的技術(shù)，標志著機器學習向人類學習的道路上又前進了一步。

5 結(jié)束語

大數(shù)據(jù)時代的數(shù)據(jù)絕大多數(shù)是大量無標識的數(shù)據(jù)和少量有標識數(shù)據(jù)的組合，半監(jiān)督學習方法是處理該類數(shù)據(jù)的有效方法；隨著數(shù)據(jù)量的激增，單一學習器的學習成果和效率難以滿足要求，通過多個學習器整合后的集成學習方法能較有效地獲取學習的結(jié)果；概率圖模型通過圖形可視化的方式為多種結(jié)構(gòu)的大數(shù)據(jù)分析提供了簡單有效的分析模型；而通過遷移學習，已有的學習成果能不斷積累并衍生引用到未知的領(lǐng)域。當然，與大數(shù)據(jù)相關(guān)的機器學習研究領(lǐng)域還有很多，如大規(guī)模機器學習的算法并行化，這也是未來機器學習的一個重點方向，有待在后續(xù)實際工作中不斷研究探索。

1 Tom Mitchell. Machine Learning. McGraw Hill Higher Education,1997

2 Olivier C,Bernhard S,Alexander Z.Semi-Supervised Learning.The MIT Press,2006

3 Zhu X J．Semi-Supervised Learning Literature Survey.Madison:University of Wisconsin,2008

4 Zhou Z H.Ensemble Methods:Foundations and Algorithms.Boca Raton,FL:Chapman&Hall/CRC,2012

5 梁吉業(yè),高嘉偉,常瑜.半監(jiān)督學習研究進展.山西大學學報,2009,32(4):528～534

6 Freund Y,Schapire R E.A decision theoretic generalization of online learning and application to boosting.Journal of Computer and System Sciences,1997,55(1):119～139

7 Breiman L.Bagging predictors.Machine Learning,1996,24(2):123～140

8 張春霞,張講社.選擇性集成算法綜述.計算機學報,2011(8)

9 Koller D,Friedman N.Probabilistic Graphical Models:Principles and Techniques.The MIT Press,2009

10 Darwiche A.Modeling and Reasoning with Bayesian Networks.Cambridge University Press,2009

11 Pan JL,YangQ.A surveyon transferlearning.IEEE Transactions on Knowledge and Data Engineering(IEEE TKDE),2010,22(10):1345～1359

12 Bahadori M T,Liu Y,Zhang D.Learning with minimum supervision:a generalframework for transductive transfer learning.IEEE International Conference on Data Mining(ICDM),2011